通过合成数据增强可穿戴式摔倒检测系统

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 数据科学数据科学数据科学

背景情况:

• 深度学习模型需要大量的训练数据,但在临床应用中,这些数据往往是有限的,特别是用于落检测.
• 获得多样化和全面的真实世界落数据集是一个重大挑战,阻碍了强大的检测系统的发展.

研究的目的:

• 研究生成现实的合成多变量落数据的方法,以增强有限的现实世界数据集.
• 评估基于扩散的生成AI和基于视频的姿势估计对合成落数据生成的有效性.
• 评估合成数据对深度学习模型用于摔倒检测的性能的影响.

主要方法:

• 应用了传统的时间序列增强,基于扩散的生成AI和基于视频的姿势估计,以从公共镜头中提取下降段.
• 使用扩散模型和基于视频的姿势估计生成合成多变量落数据,针对特定的传感器放置量身定制.
• 通过使用定量指标 (FID,区分得分,预测得分,JSD,KS测试) 和视觉检查评估合成数据质量.

主要成果:

• 基于扩散的合成产生了最现实的和分布一致的合成落数据.
• 纳入基于扩散的合成数据将长期短期记忆 (LSTM) 模型的离线F1分数提高了7-10%.
• 使用SmartFall应用程序测试的实时落检测性能,通过包含合成数据,提高了24%.

结论:

• 合成数据生成,特别是使用扩散模型,是克服临床落检测数据局限性的可行策略.
• 开发的方法创造了现实的和多样化的合成落数据,提高了落检测模型的稳定性和现实世界的适用性.
• 这项研究强调了利用生成性人工智能和视频分析来改进摔倒检测系统的有希望但尚未探索的方向.